分类： 大语言模型

0 基础配置 日志配置，不配置默认在/tmp/openclaw/​ { "logging": { "file": "/path/to/openclaw.log" } } 1 模型配置 "models": { "providers": { "localmodel": { // 模型

# 安装环境 nvm install 22 nvm use 22 npm install -g pnpm pnpm config set registry https://registry.npmmirror.com/ # 下载代码 git clone https://github.com/openclaw/openclaw.git # 开启代理 export https_proxy=http:/

1 LLM 继承BaseChatModel或者SimpleChatModel 设计理念：专注于模型层面，不要预设系统提示词，工具调用时仅输出ToolMessage而不是在内部调用工具 2 Chain chain = prompt | llm | output_parser print(chain.invoke(xxx)) """本质上就是 v1 = prompt.in

本文以清晰直白的方式，系统梳理了大语言模型（LLM）从基础训练到最终对齐的完整技术流程，核心围绕预训练、微调、参数高效微调、偏好对齐四大关键阶段展开，逐一拆解各类技术的定义、核心逻辑与差异。 预训练：Pre-Training，无监督学习，只有text列；还有个CPT继续预训练，用于继续吸收领域知识 微调：Fine-Tuning，一般情况下LLM微调都是监督微调SFT（Supervised fine